Czy komputery mogą monitorować stan mentalny, w jakim się znajdujemy?

Przedmiot badań

Naukowcy ze Skoltech, INRIA i RIKEN Advanced Intelligence Project analizowali kilka najnowocześniejszych algorytmów uczenia maszynowego pod kątem ich zastosowania do tak trudnych zadań jak określanie aktualnego stanu psychicznego człowieka (mental workload) i stanów afektywnych ludzkiego mózgu. Ich oprogramowanie może pomóc w projektowaniu inteligentniejszych interfejsów mózg-komputer mogących znaleźć zastosowanie w medycynie i nie tylko. Artykuł został opublikowany w magazynie IEEE Systems, Man i Cybernetics.

Interfejs mózg-komputer

Interfejs mózg-komputer (z ang. BCI – brain-computer interface) to połączenie między ludzkim mózgiem a maszyną, które umożliwia użytkownikom sterowanie różnymi urządzeniami, takimi jak ramiona robota lub wózek inwalidzki, wyłącznie za pomocą aktywności mózgu. Takie czynności są nazywane aktywnymi BCI. Są też tzw. pasywne BCI – polegające wyłącznie na monitorowaniu stanu psychicznego lub emocji użytkownika.

Sygnały mózgowe w BCI są zwykle mierzone za pomocą elektroencefalografii, zazwyczaj nieinwazyjnej metody rejestrowania aktywności elektrycznej mózgu.

Od sygnału biologicznego do cyfrowego czyli nie jest łatwo

Od nieprzetworzonych, ciągłych sygnałów EEG do cyfrowo przetworzonych sygnałów lub wzorców, które mogłyby prawidłowo zidentyfikować psychiczne obciążenie mózgu czy stany afektywne użytkownika, jest dość długa droga. Tymczasem jest to absolutna podstawa aby mogło prawidłowo funkcjonować chociaż pasywne BCI.

Aktualnie prowadzone eksperymenty wykazały, że dokładność tych pomiarów, nawet w przypadku prostych zadań (np. tak podstawowego jak odróżnienie niskiego obciążenia pracą od dużego), jest niewystarczająca do wiarygodnych zastosowań praktycznych.

Według Andrzeja Cichockiego, profesora w Skoltech Center for Computational and Data-Intensive Science and Engineering (CDISE) oraz współautora artykułu:

Niska dokładność pomiarów wynika z niezwykle dużej złożoności ludzkiego mózgu. Mózg jest jak ogromna orkiestra z tysiącami instrumentów muzycznych, z których chcemy wydobyć określone dźwięki każdego instrumentu za pomocą ograniczonej liczby mikrofonów czy innych czujników.

Jak sobie z tym radzić?

Dlatego też bardzo potrzebna jest solidniejsza i dokładniejsza klasyfikacja EEG i rozpoznawanie różnych algorytmów wzorców mózgowych. Cichocki i jego koledzy przyjrzeli się dwóm grupom algorytmów uczenia maszynowego, klasyfikatorom opartym na geometrii Riemanna (RGC) i konwolucyjnym sieciom neuronowym (CNN), które radzą sobie całkiem dobrze po aktywnej stronie BCI. Badacze zastanawiali się, czy te algorytmy mogą działać nie tylko z tak zwanymi zadaniami motorycznymi wyobrażonymi (w których badany wyobraża sobie pewne ruchy kończyn bez żadnego rzeczywistego ruchu) ale także do oceny obciążenia pracą i stanów afektywnych.

Przebieg badania

Badacze przeprowadzili więc swoisty konkurs między siedmioma algorytmami, z których dwa naukowcy zaprojektowali samodzielnie, udoskonalając dobrze działające metody Riemanna. Algorytmy zostały przetestowane w dwóch badaniach, jednym z typowym układem dla BCI, w którym algorytmy były trenowane na danych od określonego podmiotu, a następnie testowane na tym samym przedmiocie, i jedno, które było niezależne od podmiotu (była to znacznie trudniejsza konfiguracja). Prawdziwe dane EEG zostały zaczerpnięte z wcześniejszych eksperymentów przeprowadzonych przez Fabiena Lotte, współautora artykułu i jego współpracowników, a także z DEAP, istniejącej bazy danych do analizy emocji.

Wnioski

Naukowcy odkryli, że sztuczna głęboka sieć neuronowa znacznie przewyższała wszystkich swoich konkurentów w zadaniu oszacowania obciążenia pracą, ale słabo radziła sobie w klasyfikacji emocji. A dwa zmodyfikowane algorytmy Riemanna całkiem nieźle radziły sobie w obu zadaniach. Ogólnie, jak podsumowano w artykule, użycie pasywnych BCI do klasyfikacji stanów afektywnych jest znacznie trudniejsze niż do oszacowania obciążenia pracą, a kalibracja niezależna od podmiotu prowadzi, przynajmniej na razie, do znacznie niższych dokładności.